POTLAČENÍ OBRAZOVÉHO ŠUMU VE VIDEOZÁZNAMU Z BEZPEČNOSTNÍCH KAMER
|
|
- Jindřich Sedlák
- před 8 lety
- Počet zobrazení:
Transkript
1 POTLAČEÍ OBRAZOVÉHO ŠUMU VE VIDEOZÁZAMU Z BEZPEČOSTÍCH KAMER K. Fliegel, J. Švihlík ČVUT v Praze, Fakulta elektrotechnická, Katedra radioelektroniky Abstrakt V tomto příspěvku je popsána metoda pro potlačení obrazového šumu ve videozáznamu. Tato metoda využívá pokročilých algoritmů založených na vlnkové transformaci (Wavelet Transform WT zejména s ohledem na použití v bezpečnostních kamerových systémech. V reálném kamerovém systému se vyskytuje řada nežádoucích zkreslení obrazu, zejména pokud je videozáznam snímán za zhoršených světelných podmínek. aším cílem bylo optimalizovat rekonstrukční algoritmy založené na WT, tak aby je bylo možno použít pro potlačení šumu v záznamu z bezpečnostní kamery při zachování vysoké účinnosti a přijatelných výpočetních nároků. Úvod V bezpečnostních a dohledových systémech je možno nalézt řadu zvláštních požadavků, které jsou kladeny na jejich vlastnosti. Obecně vnímaná subjektivní kvalita obrazu zde nepředstavuje důležité kritérium. Zásadní je při zpracování zachovat vybrané obrazové charakteristiky, které jsou nutné pro spolehlivou identifikaci či klasifikaci. Vhodná metoda pro potlačení šumu by měla splňovat určitá kritéria. Měla by být účinná a to jak ve smyslu přijatelné výpočetní náročnosti, tak i vysoké účinnosti potlačení šumu. avíc musí systém zachovávat všechny důležité charakteristiky snímané scény. Tento příspěvek se zabývá popisem pokročilé metody pro potlačení obrazového šumu v bezpečnostních kamerových systémech. Odšumovací metoda je založena na použití vlnkové transformace (WT. [] Tyto metody mají výhodu v tom, že dobře zachovávají informace o důležitých hranách v obraze. V běžných systémech pro snímání bezpečnostního videa se vyskytuje řada zdrojů zkreslení a to zejména pokud je záznam snímán za zhoršených světelných podmínek. Typickým příkladem vhodným pro použití popsané odšumovací metody je snímání běžnou spotřební videotechnikou (jednoduchá digitální videokamera. V případě, že byl záznam získán za zhoršených světelných podmínek stávají se objekty ve scéně prakticky nerozpoznatelné. Zde je možné aplikovat jednoduchou manipulaci s histogramem snímku za účelem zvýšení kontrastu. Se zvýšením kontrastu v jasovém kanálu však dochází i ke značnému zvýraznění šumu. Po této jednoduché úpravě je jas dostatečný, nicméně malý odstup signálu od šumu stále znemožňuje záznam použít pro bezpečnostní aplikace. [8] Ve zpracování obrazu byla popsána řada metod pro potlačení šumu založených na WT. Většina metod je výpočetně značně náročná a nedosahuje potřebné účinnosti pro naše bezpečnostní aplikace. aším cílem bylo optimalizovat algoritmy založené na WT, aby je bylo možno použít pro potlačení šumu a to nejen v rámci jednoho snímku, ale i v celé videosekvenci. Z toho vyplývá požadavek na aplikovatelnost algoritmu v reálném nebo téměř reálném čase. Před aplikací vlastního odšumovacího algoritmu je videosekvence na výstupu snímací kamery podrobena předzpracování signálu. Účelem tohoto předzpracování je signál přizpůsobit do podoby vhodné pro vlastní odšumovací algoritmy. Videosekvence sestává z barevných snímků v RGB prostoru. Tento barevný prostor není pro velkou korelaci dat v barevných kanálech vhodný pro další zpracování. Předzpracování dat v podobě roztažení histogramu jasového kanálu je aplikováno až po převodu do vhodnějšího barevného prostoru YCbCr. Účelem této konverze je upravit distribuci v jasovém kanálu do vhodnější podoby. [8] Takto předzpracované snímky z videosekvence tvoří vstupní signál pro navrženou statistickou odšumovací metodu s Bayesovským estimátorem. [4]
2 Popis metody pro potlačení šumu ve videosekvenci založené na WT Existují dvě možnosti jak dosáhnout nízké úrovně šumu ve videosignálu. ezáleží na tom, jak pokročilý je použitý snímací systém vždy je v signálu přítomen šum. První možností, která vede ke snížení úrovně šumu je použít kvalitní snímací systém. To lze díky vysoké ceně potřebných komponentů provést pouze pro významný bezpečnostní aplikace. Ve většině případů vysoké náklady na takový systém nutí hledat jinou cestu k dosažení dostatečné obrazové kvality. Tuto druhou možnost představují metody pro následné zpracování obrazu. Jedna z těchto metod je popsána v následujících odstavcích. 3 Popis problému Dále je uvedena typická situace, kde je na vylepšení vlastností bezpečnostního videa vhodné použít jednu z metod zpracování obrazu. Často se stává, že náhodný očitý svědek natočí na videokameru z bezpečnostního hlediska důležitou scénu. Běžně použitým zařízením v takových případech bývá levná spotřební videokamera s poměrně neuspokojivými charakteristikami. Také světelné podmínky nebývají v takových případech nejlepší. ásledná bezpečnostní analýza takového videozáznamu je většinou prakticky nemožná bez vhodného předzpracování. Dnes je k dispozici celá řada metod pro potlačení šumu v obraze. V posledním desetiletí se staly populární zejména metody založené na vlnkové transformaci (WT. [] Odšumovací metody založené na WT mají oproti jiným výhodu v tom, že dobře zachovávají hrany v obraze. Tato vlastnost je důležitá právě pro použití v bezpečnostních aplikacích. Odšumovací metody obrazu založené na WT [6] zahrnují lineární a nelineární filtraci. Při nelineární filtraci se využívá prahování vlnkových koeficientů nebo statistického modelování. Metody založené na statistickém modelování jsou efektivní ale také výpočetně náročné. Systém pro potlačení šumu ve videosekvenci byl implementován s využitím statisticky založené odšumovací metody s Bayesovským estimátorem a redundatní, nedecimovanou vlnkovou transformací UWT (Undecimated Wavelet Transform. [4], [7] Estimátor využívá statistického modelu hustoty pravděpodobnosti PDF (Probability Density Function digitálních snímků. Tato hustota pravděpodobnosti je ve vlnové doméně modelována zobecněnou Laplaceovskou funkcí. [] Parametry modelu jsou odhadnuty momentovou metodou, která je založená na porovnání empirických výběrových momentů a jejich teoretických hodnot. [5] Zašuměný DV záznam RGB 7x576 5fps CAM Předzpracování Y I WT potlačení šumu C b C r Y OUT ásledné zpracování DV záznam s potlačeným šumem RGB 7x576 5fps Vstup Předzpracování Výstup Obr. : Blokové schéma systému pro potlačení obrazového šumu ve videozáznamu z bezpečnostní kamery 4 Potlačení obrazového šumu ve videosekvenci z bezpečnostní kamery Popisovaný systém je navržen pro potlačení šumu v běžných videosouborech ze spotřebních videokamer. Vstupní videosekvence je zaznamenána s frekvencí 5 snímků za sekundu a velikost každého snímku je 7x576 obrazových bodů. Systém sestává ze tří hlavních bloků (Obr.. První je blok předzpracování obrazu. Tento blok odebírá jednotlivé snímky ze vstupní videosekvence a v prvním kroku provádí konverzi barevného prostoru. Většina metod pro potlačení šumu založených na WT je zaměřena na práci s šedotónovými snímky Přímým rozšířením lze odšumovací metodu použít nezávisle na každý kanál barevných
3 snímků RGB. Je ovšem zřejmé, že lepší účinnosti odšumovací metody lze dosáhnout pokud se potlačí korelace mezi jednotlivými barevnými složkami RGB. ejjednodušší a zejména pro kompresi obrazu často používaný způsob potlačení korelace je převod do jiného barevného prostoru. V popisovaném systému je použita konverze z prostoru RGB do prostoru YCbCr. [8] Jas Y je dán váhovaným součtem barevných složek RGB a obsahuje tedy vysoké prostorové kmitočty. Rozdílové barevné složky Cb a Cr jsou dány rozdílem mezi jasem a určitou barevnou složkou B, R (Y-B a Y-R. Pomocí této transformace dochází k potlačení vyšších prostorových kmitočtů v barevných rozdílových kanálech Cb a Cr. Další operace s obrazovými daty v bloku předzpracování jsou prováděny pouze nad jasovou maticí Y, stejně tak i vlastní potlačení šumu. Vstupní videosekvence se vyznačují velice úzkým histogramem jasového kanálu Y. [8] To znamená, že jednotlivé snímky jsou velice tmavé a mají malý dynamický rozsah. Snímky ze vstupního videa jsou jeden po druhém zpracovány pomocí jednoduché a rychlé metody založené na převodní charakteristice uložené v tabulce LUT (Look Up Table. LUT je zde použita s lineární střední částí a maximalizuje dosažitelný dynamický rozsah výstupních snímků (od černá do bílá. Za úroveň bílé a černé ve vstupních snímcích jsou považovány odpovídající úrovně,5% a 99,5% z kumulativního histogramu. Tímto způsobem se účinně potlačuje část šumu. 5 Implementace algoritmu pro potlačení šumu Šedotónové snímky jsou tvořeny úrovní jasové složky Y, které je zpracována statistickou odšumovací metodou s Bayesovským estimátorem. Estimátor používá statistický model hustoty pravděpodobnosti originálních snímků ve vlnkové doméně založený na zobecněné Laplaceovské funkci. Pro redundantní dekompozici je použita nedecimovaná WT, která se označuje jako UWT (Undecimated Wavelet Transform. [7] Parametry modelu jsou určeny pomocí momentové metody. Mallat [] popsal, že subpásma diskrétního rozkladu pomocí WT nemají Gaussovské vlastnosti. Subpásma detailů jsou popsána histogramem, který se vyznačuje ostrým vrcholem a rychlým poklesem ke krajům. Mallat [], Simoncelli [] a jiní ukázali, že lze tyto hustoty pravděpodobnosti modelovat zobecněnou Laplaceovskou funkcí, definovanou jako kde parametr s určuje šířku PDF a parametr p pak její tvar. Funkce Z(, sp slouží k normalizaci exponenciely na jednotkovou plochu. [] V naší implementaci jsou parametry modelu (, s p odhadnuty pomocí momentové metody. Momentová metoda je založena na porovnání empirických výběrových momentů s jejich teoretickými hodnotami. [3] Momentové metoda tak patří mezi nejúčinnější metody pro odhad parametrů. Uvažujme výběr X = ( X,, X n z distribuce mající hustotu pravděpodobnosti PDF p( x, θ. Tato PDF p( x, θ závisí na parametrech θ = ( θ,, θ n. Z toho je zřejmé, že odhad parametrů θ pomocí momentové metody je možné získat porovnáním empirických výběrových momentů M,, M K s jejich teoretickými hodnotami m,, m. K Budeme uvažovat, že jsou snímky zatíženy Gaussovským šumem s nulovou střední hodnotou n (, σ. Pro výpočet odhadu parametrů pomocí momentové metody je nejprve třeba určit teoretické momenty pro náhodnou veličinu Y = X + ve vlnkové doméně (za předpokladu ortogonální transformace, kde Y = DWT[ y ] označuje zašuměné vlnkové koeficienty, X = DWT[ x ] značí vlnkové koeficienty bez šumu a = DWT[ n ] značí Gaussovský šum ve vlnkové doméně. p x s e px ( x = Z(, sp, ( r Mr = X i i= r mr = x p( x, θ dx, r =,..., K M = m ( θˆ r r (
4 Jestliže X s odpovídající hustotou px ( x a s hustotou p ( x jsou nezávislé náhodné proměnné, pak výsledná hustota pravděpodobnosti jejich součtu je dána konvolucí Y X p ( x = p ( τ p ( x τ d τ, (3 kde py ( x značí hustotu pravděpodobnosti PDF veličiny Y. Odhad parametrů ŝ a ˆp zobecněného Laplaceovského modelu px ( x lze určit z histogramu zašuměných vlnkových koeficientů. Rovnici pro odhad parametrů ŝ a ˆp lze odvodit ze vztahů ( a (3. V naší implementaci byl pro výpočet odhadu vybrán druhý a čtvrtý moment. [4] ( ˆ ( pˆ sˆ Γ M, 3 p = σ + Γ sˆ Γ( ˆ ( pˆ ( ˆ ( pˆ σ ˆ 4 p s Γ p M 4 = 3σ + + (4 Γ Γ Výše uvedené rovnice lze vyřešit numericky. Pro výpočet byl s výhodou použit následující vztah [5] 5 ( ( M 3σ 6 = 3 Γ ( pˆ ( M σ Γ Γ + pˆ pˆ 4 σm. (5 V první fázi je nejprve numericky vyřešena rovnice (5 a určen parametr ˆp. Tento výpočet je 5 3 poměrně jednoduchý, protože levá strana rovnice Γ( pˆ Γ( pˆ Γ ( p ˆ je monotónně klesající funkce parametru ˆp. Pro odhad rozptylu šumu σ byla navržena celá řada metod. Metody pracující ve vlnkové doméně nejčastěji pro odhad rozptylu využívají subpásma vlnkové dekompozice HH (diagonální detaily, protože toto subpásmo obsahuje především šum. V naší implementaci byla pro odhad rozptylu použita metoda MAD (median absolut deviation. Tato metoda náleží mezi robustní statistické metody odhadu a byla navržena Donohem. [6] Odhad rozptylu šumu ˆ σ pomocí metody MAD lze při použití vlnkových koeficientů z pásma HH zapsat jako ( Yi, j Median ˆ σ = Yi, j HH. ( Parametr měřítka ŝ lze určit ze znalosti tvarového parametru ˆp po dosazení do vztahu V naší implementaci byl pro odhad nezkreslených vlnkových koeficientů ˆX použit Bayesovský estimátor založený na minimalizaci střední kvadratické chyby BLSE (Bayesian Least Square Error. Dále je uvažován aditivní šum. Je známo, že podmíněná střední hodnota posteriorní hustoty pravděpodobnosti poskytuje odhad veličiny X ve smyslu nejmenší kvadratické chyby. BLSE estimátor [4] lze popsat jako ( pˆ 3 ( pˆ Γ sˆ = ( M σ. (7 Γ + + p ( y x p ( x xdx p ( y x p ( x xdx ˆ ( + ( YX X X = XY = = + ( ( + ( ( YX X X XY p x yxdx p y x p x dx p y x p x dx (8 kde pyx ( y x značí věrohodnostní funkci, px ( x představuje hustotu pravděpodobnosti PDF signálu (prior model a p ( x je hustota pravděpodobnosti šumu (model šumu. Jmenovatel pravé strany rovnice (8 označuje PDF zašuměného pozorování určeného pomocí konvoluce PDF šumu a užitečného signálu.
5 Pro modelování šumu ve vlnkové doméně byla zvolena Gaussovská hustota pravděpodobnosti (9 (aditivní Gaussovský šum s nulovou střední hodnotou a zobecněná Laplaceovská funkce ( pro modelování signálu. [] ( x μ σ = p ( x e (9 σ π Pokud je užitečný signál a šum modelován pomocí Gaussovských hustot pravděpodobnosti, potom lze vypočítat odhad X ˆ ( Y přímo. V této implementaci algoritmu je použit model se zobecněnou Laplaceovskou funkcí a odhad X ˆ ( Y je určen numericky. y = x+ n DWT LL Odhad parametrů HL LH HH HL LH HH DWT DWT 3 HL3 LH3 HH3 LL LL3 IDWT xˆ( y ( ps ˆ, ˆ ( ˆ σ Bayesovský estimátor Obr. : Blokové schéma algoritmu na potlačení šumu ve vlnkové doméně Implementace odšumovacího algoritmu je znázorněna na Obr.. ejprve je provedena dekompozice signálu zašuměného snímku y do třetí úrovně dekompozice s použitím redundantní UWT (mateřská vlnka Daubechies o délce 6. Poté je proveden odhad parametrů (, sˆ p ˆ zobecněné Laplaceovské funkce a rozptylu šumu ˆ σ. Odhad rozptylu šumu byl proveden podle rovnice (6. Parametry zobecněné Laplaceovy funkce byly odhadnuty pomocí momentové metody podle rovnic (5 a (7. Odhadnuté parametry jsou důležité pro následující zpracování pomocí BLSE estimátoru. Výstupní snímek xˆ( y je zrekonstruován aplikací zpětné UWT. [7] Barevné rozdílové signály Cb a Cr nejsou algoritmem na potlačení šumu nijak ovlivněny. Potlačení šumu se provádí pouze na jasovém signálu Y. Po aplikaci odšumovacího algoritmu je proveden zpětný převod do barevného prostoru RGB. Výstupní videosekvence je vytvořena složením jednotlivých výstupních snímků. 6 Experimentální výsledky Pro potřeby testování účinnosti navrženého systému byla sejmuta testovací videosekvence. Videosekvence byla natočena pomocí dočasné bezpečnostní kamery instalované v multimediální laboratoři naší katedry. K záznamu byla použita běžná spotřební videokamera při různých světelných podmínkách, od extrémně nízké úrovně osvětlení až po úroveň uspokojivou (Obr. 3. Sejmutý záznam byl sestříhán do testovací videosekvence s délkou 55s. Každých 5s dochází v testovací videosekvenci ke změně úrovně osvětlení. Z toho je zřejmé, že videosekvence obsahuje scénu s jedenácti úrovněmi odstupu signálu od šumu. Časové změny jasu Y lze popsat pomocí statistických charakteristik. [3] Tyto statistiky jsou určeny z histogramu jasového kanálu. Vypočtené charakteristiky (první a devátý decil (d, 9d, medián (Md a střední hodnota (Mn jsou znázorněna na Obr. 4.
6 a b Obr. 3: Snímek z testovací videosekvence, a extrémně nízká úroveň osvětlení, b téměř ideální světelné podmínky. Teoretické maximum jasové úrovně Y bylo normalizováno k jedné. Z toho je zřejmé, že střední hodnota jasu je přibližně,5% resp. 36% plného dynamického rozsahu pro nejnižší resp. nejvyšší úroveň osvětlení (nejtmavší resp. nejsvětlejší scéna. Hodnoty popisných statistik na Obr. 4 byly určeny z histogramu jasových úrovní Y pro každý snímek ve videosekvenci. Potom byla z těchto hodnot vypočtena střední hodnota popisných statistik pro každý 5s (5 snímků úsek s konstantními světelnými podmínkami d 3q Md Mn. q. d t [s] Obr. 4: Popisné statistiky jasové úrovně Y v závislosti na času v testovací videosekvenci Systém byl implementován v programovém prostředí Matlab. Subjektivní porovnání videosekvencí bylo provedeno skupinou pozorovatelů. Pro nejnižší úroveň osvětlení (malý odstup užitečného signálu od šumu systém umožnil alespoň rozpoznat pohybující se objekty ve scéně, ovšem prakticky bez informace o barvě. Systém umožní rekonstruovat video včetně barev pokud jsou ve scéně dobré světelné podmínky. Z testovací sekvence byly extrahovány tři snímky za účelem demonstrace účinnosti systému. První snímek byl odebrán v části - 5s, druhý snímek z rozsahu 3-35s a poslední snímek pochází z části 5-55s (Obr. 4. a Obr. 5a je znázorněn první z testovacích snímků ( - 5s pro extrémně nízkou úroveň osvětlení. a Obr. 7a lze posoudit histogram tohoto snímku. Snímek po předzpracování a jeho histogram jsou znázorněny na Obr. 5b a Obr. 7b. Z tvaru histogramu je zřejmé, že malý dynamický rozsah způsobuje posterizaci v úrovních jasu. Vysokou úroveň šumu v obraze je možno posoudit v Obr. 6.
7 VSTUP PŘEDZPRACOVÁÍ VÝSTUP a b c d e f g h i Obr. 5: Testovací snímky z experimentální videosekvence (Vstup, Předzpracování a Výstup, a, b, c extrémně nízká úroveň osvětlení, d, e, f nízká úroveň osvětlení, g, h, i vyhovující úroveň osvětlení. Obr. 6: Detail snímku z Obr. 5a (extrémně vysoká úroveň šumu Snímek získaný z výstupní videosekvence je znázorněn na Obr. 6c. Histogram (Obr. 7c tohoto snímku je kompaktnější, přičemž posterizace a šum jsou účinně potlačeny. Rovněž subjektivní posouzení snímku ukazuje, že šum, který byl ve vstupní videosekvenci velice rušivý je po zpracování méně patrný.
8 VSTUP PŘEDZPRACOVÁÍ VÝSTUP a b c d e f Další dva vybrané testovací snímky byly sejmuty ze střední (3-35s a závěrečné části (5-55s videosekvence (Obr. 4. Střední úroveň jasu Y je asi 9% pro druhý (Obr. 5d a 37% pro třetí snímek (Obr. 5g. Střední úroveň jasu je přibližně třikrát větší pro druhý snímek (Obr. 5d než pro snímek nejtmavší (Obr. 5a. Předzpracováním (Obr. 5e se scéna prosvětlí ovšem na úkor zvýšení úrovně šumu. Pozorovatelé jsou po potlačení šumu schopni úspěšně rozpoznat i malé objekty ve scéně (Obr. 5f. Poslední snímek byl vybrán za účelem demonstrace účinnosti systému v poměrně jasné části videosekvence (5-55s, kde je střední hodnota jasu přibližně 37%. ejjasnější část testovací sekvence ukazuje účinnost systému pro stále nízkou úroveň osvětlení (střední úroveň jasu 37%, které je však dostatečné pro dosažení jasných barev. Při porovnání histogramů na Obr. 7g a Obr. 7i můžeme pozorovat jen malé rozdíly. Pozorovatelé mohli posoudit jemnější vzhled detailů výstupního snímku Obr. 5i při zachování důležitých podrobností a hran ve scéně g h i Obr. 7: Histogramy testovacích snímků z experimentální videosekvence (Vstup, Předzpracování a Výstup, a, b, c extrémně nízká úroveň osvětlení, d, e, f nízká úroveň osvětlení, g, h, i vyhovující úroveň osvětlení.
9 V našem experimentu bylo použito celkem jedenáct úrovní osvětlení (Obr. 4. Jako měřítko pro objektivní zhodnocení účinnosti jsme zvolili odstup špičkového signálu od šumu PSR Y (peak signalto-noise-ratio v jasovém kanálu. Potřebné hodnoty střední kvadratické chyby MSE (Mean Square Error byly vypočteny jako průměr ze 5 MSE n hodnot. Vlastní hodnoty MSE n byly vypočteny pro každý snímek v 5s úsecích (5 snímků ve vztahu k průměrnému vstupnímu snímku. Hodnota jasu pro každý obrazový bod v průměrném snímku byla určena jako střední hodnota odpovídajících obrazových bodů ze 5 snímků bez pohybu ve scéně. Tento průměrný snímek byl považován za snímek bez zkreslení. PSR Y [db] PSR Y vstupní videosekvence se pohybuje v rozsahu 5dB až 36dB pro nejhorší a nejlepší testované světelné podmínky. Odpovídající hodnoty PSR Y ve výstupní videosekvenci jsou 6dB a 4dB. Zlepšení PSR Y je db v nejtmavší a asi 4dB v nejsvětlejší části videosekvence. Ve všech testovaných případech došlo ke zlepšení PSR Y ve výstupní videosekvenci vzhledem k videosekvenci vstupní. 7 Závěr Output 3 5 Input 5 Gain t [s] PSR Yin [db] Obr. 8: Účinnost algoritmu na potlačení šumu. PSR Y pro vstupní a výstupní videosekvenci. Zisk algoritmu na potlačení šumu vzhledem ke zlepšení úrovně PSR Y. V tomto příspěvku jsme popsali systém pro potlačení šumu záznamu z bezpečnostních kamer. Systém byl navržen pro zpracování videosekvencí zaznamenaných ve velkém rozsahu světelných podmínek snímané scény a odpovídající velký rozsah odstupů signálu od šumu. Experimentální výsledky ukazují, že navržený systém dosahuje vysoké účinnosti s ohledem na zlepšení PSR a také na hodnocení pozorovateli. Další úsilí v této oblasti bychom chtěli věnovat návrhu pokročilejších metod pro potlačení šumu ve videu založených na vlnkové transformaci s optimalizovaným Bayesovským estimátorem. Odhad parametrů bude proveden pomocí minimalizace Jeffreyho divergence, která představuje robustnější nástroj než základní momentová metoda popsaná v tomto příspěvku. PSR Yout [db] Poděkování Tato práce byla podporována grantem č. /5/54 Grantové Agentury ČR Kvalitativní aspekty zpracování audiovizuální informace v multimediálních systémech.
10 Literatura [] S. G. Mallat. A Theory for Multiresolution Signal Decomposition: The Wavelet Representation. [Online], Ecole Polytechnique, Centre de Mathématiques Appliquées, [5--8]. www:< ~mallat/papiers/mallattheory89.pdf> [] E. P. Simoncelli. Bayesian Denoising of Visual Images in the Wavelet Domain. In Bayesian Inference in Wavelet Based Models, eds. P. Müller and B. Vidakovic. Springer-Verlag, Lecture otes in Statistics 4, 999. [3] A. Papoulis, U. S. Pillai. Probability, Random Variables and Stochastic Processes. McGraw- Hill,. ISB [4] E. P. Simoncelli, E. H. Adelson. oise Removal via Bayesian Wavelet Coring. In Third International Conference on Image Processing, Vol., pages , Lausanne, September 996. IEEE Signal Proc. Society. [5] ŠVIHLÍK, J. oise Removal Based on MAP Estimator in the Wavelet Domain. In Technical Computing Prague 6 - Sborník příspěvků 4. ročníku konference. Prague: HUMUSOFT, 6, vol., s. 95. ISB [6] A. Pizurica. Image Denoising Using Wavelets and Spatial Context Modeling. PhD. Thesis, Supervised by prof. W. Philips and prof. M. Acheroy, Gent University,. [7] D. L. Donoho, L. M. Johnstone. Ideal Spatial Adaption via Wavelet Shrinkage. In Biometrika, Vol.8, pp , September 994. [8] J. L. Starck, J. Fadili, F. Murtagh. The Undecimated Wavelet Decomposition and its Reconstruction. In IEEE Transaction on Image Processing. Vol. 6, o., 7. [9] A. Bovik. Handbook of Image and Video Processing, Elsevier Academic Press. ew York, 5. Karel Fliegel Katedra radioelektroniky, FEL ČVUT Praha, Technická, 66 7, Praha 6 tel , xrund@feld.cvut.cz Jan Švihlík Katedra radioelektroniky, FEL ČVUT Praha, Technická, 66 7, Praha 6 tel , svihlj@fel.cvut.cz
Jasové transformace. Karel Horák. Rozvrh přednášky:
1 / 23 Jasové transformace Karel Horák Rozvrh přednášky: 1. Úvod. 2. Histogram obrazu. 3. Globální jasová transformace. 4. Lokální jasová transformace. 5. Bodová jasová transformace. 2 / 23 Jasové transformace
VíceAPLIKACE DWT PRO POTLAČENÍ ŠUMU V OBRAZE
APLIKACE DWT PRO POTLAČENÍ ŠUMU V OBRAZE J.Švihlík ČVUT v Praze Fakulta elektrotechnická Katedra radioelektroniky Abstrakt Šum je v obraze prakticky vždy přítomen což způsobuje degradaci obrazu. Existuje
VíceVlnková transformace a její aplikace ve zpracování obrazu
Vlnková transformace a její aplikace ve zpracování obrazu Jan Švihlík svihlj1@fel.cvut.cz +40 4 35 113 České vysoké učení technické v Praze Fakulta elektrotechnická Katedra radioelektroniky Obsah Proč
VíceDETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH
DETEKCE HRAN V BIOMEDICÍNSKÝCH OBRAZECH Viktor Haškovec, Martina Mudrová Vysoká škola chemicko-technologická v Praze, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je věnován zpracování biomedicínských
VíceNOVÉ METODY HODNOCENÍ OBRAZOVÉ KVALITY
NOVÉ METODY HODNOCENÍ OBRAZOVÉ KVALITY Stanislav Vítek, Petr Páta, Jiří Hozman Katedra radioelektroniky, ČVUT FEL Praha, Technická 2, 166 27 Praha 6 E-mail: svitek@feld.cvut.cz, pata@feld.cvut.cz, hozman@feld.cvut.cz
VíceJan Kaiser xkaiserj@feld.cvut.cz. ČVUT, Fakulta elektrotechnická, katedra Radioelektroniky Technická 2, 166 27 Praha 6
KOLORIMETRICKÉ ZKRESLENÍ ZPŮSOBENÉ NOVÝMI ZOBRAZOVACÍMI SYSTÉMY, ASPEKTY MODERNÍCH OBRAZOVÝCH KOMPRESNÍCH METOD Jan Kaiser xkaiserj@feld.cvut.cz ČVUT, Fakulta elektrotechnická, katedra Radioelektroniky
VíceOdhad stavu matematického modelu křižovatek
Odhad stavu matematického modelu křižovatek Miroslav Šimandl, Miroslav Flídr a Jindřich Duník Katedra kybernetiky & Výzkumné centrum Data-Algoritmy-Rozhodování Fakulta aplikovaných věd Západočeská univerzita
VíceRestaurace (obnovení) obrazu při známé degradaci
Restaurace (obnovení) obrazu při známé degradaci Václav Hlaváč České vysoké učení technické v Praze Centrum strojového vnímání (přemosťuje skupiny z) Český institut informatiky, robotiky a kybernetiky
VíceAnalýza a zpracování digitálního obrazu
Analýza a zpracování digitálního obrazu Úlohy strojového vidění lze přibližně rozdělit do sekvence čtyř funkčních bloků: Předzpracování veškerých obrazových dat pomocí filtrací (tj. transformací obrazové
VíceKOMPRESE OBRAZŮ. Václav Hlaváč, Jan Kybic. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání.
1/25 KOMPRESE OBRAZŮ Václav Hlaváč, Jan Kybic Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD
Více2010 Josef Pelikán, CGG MFF UK Praha
Filtrace obrazu 21 Josef Pelikán, CGG MFF UK Praha http://cgg.mff.cuni.cz/~pepca/ 1 / 32 Histogram obrázku tabulka četností jednotlivých jasových (barevných) hodnot spojitý případ hustota pravděpodobnosti
Více1 Základní funkce pro zpracování obrazových dat
1 Základní funkce pro zpracování obrazových dat 1.1 Teoretický rozbor 1.1.1 Úvod do zpracování obrazu v MATLABu MATLAB je primárně určen pro zpracování a analýzu numerických dat. Pro analýzu obrazových
VíceMĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH. Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky
MĚŘENÍ A ANALÝZA ELEKTROAKUSTICKÝCH SOUSTAV NA MODELECH Petr Kopecký ČVUT, Fakulta elektrotechnická, Katedra Radioelektroniky Při návrhu elektroakustických soustav, ale i jiných systémů, je vhodné nejprve
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VíceOperace s obrazem. Biofyzikální ústav LF MU. Projekt FRVŠ 911/2013
Operace s obrazem Biofyzikální ústav LF MU Obraz definujeme jako zrakový vjem, který vzniká po dopadu světla na sítnici oka. Matematicky lze obraz chápat jako vícerozměrný signál (tzv. obrazová funkce)
VíceJednofaktorová analýza rozptylu
I I.I Jednofaktorová analýza rozptylu Úvod Jednofaktorová analýza rozptylu (ANOVA) se využívá při porovnání několika středních hodnot. Často se využívá ve vědeckých a lékařských experimentech, při kterých
VícePOČÍTAČOVĚ PODPOROVANÁ VÝUKA V OBLASTI MULTIMEDIÁLNÍ TECHNIKY
POČÍTAČOVĚ PODPOROVANÁ VÝUKA V OBLASTI MULTIMEDIÁLNÍ TECHNIKY F. Rund, K. Fliegel ČVUT v Praze, Fakulta elektrotechnická, Katedra radioelektroniky Abstrakt V dnešní době je již samozřejmostí využití počítačů
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceQuantization of acoustic low level signals. David Bursík, Miroslav Lukeš
KVANTOVÁNÍ ZVUKOVÝCH SIGNÁLŮ NÍZKÉ ÚROVNĚ Abstrakt Quantization of acoustic low level signals David Bursík, Miroslav Lukeš Při testování kvality A/D převodníků se používají nejrůznější testovací signály.
VíceKOMPRESE OBRAZŮ. Václav Hlaváč. Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání. hlavac@fel.cvut.
1/24 KOMPRESE OBRAZŮ Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz http://cmp.felk.cvut.cz/ hlavac KOMPRESE OBRAZŮ, ÚVOD 2/24 Cíl:
VíceGrafika na počítači. Bc. Veronika Tomsová
Grafika na počítači Bc. Veronika Tomsová Proces zpracování obrazu Proces zpracování obrazu 1. Snímání obrazu 2. Digitalizace obrazu převod spojitého signálu na matici čísel reprezentující obraz 3. Předzpracování
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-03-21 16:45 Obsah
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
VíceRobustní statistické metody
Populární úvod Ústav teoretické fyziky a astrofyziky, MU Brno 28. říjen 2006, Vlašim O co jde? Robustní znamená: necitlivý k malým odchylkám od ideálních předpokladů na který je metoda odhadu optimalizována.
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceTERMINOLOGIE ... NAMĚŘENÁ DATA. Radek Mareček PŘEDZPRACOVÁNÍ DAT. funkční skeny
PŘEDZPRACOVÁNÍ DAT Radek Mareček TERMINOLOGIE Session soubor skenů nasnímaných během jednoho běhu stimulačního paradigmatu (řádově desítky až stovky skenů) Sken jeden nasnímaný objem... Voxel elementární
VíceStochastické signály (opáčko)
Stochastické signály (opáčko) Stochastický signál nemůžeme popsat rovnicí, ale pomocí sady parametrů. Hodit se bude statistika a pravděpodobnost (umíte). Tohle je jen miniminiminiopáčko, později probereme
VíceMěření dat Filtrace dat, Kalmanův filtr
Měření dat Filtrace dat, Matematické metody pro ITS (11MAMY) Jan Přikryl Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 3. přednáška 11MAMY čtvrtek 28. února 2018 verze: 2018-02-28 12:20 Obsah
Více12 Metody snižování barevného prostoru
12 Metody snižování barevného prostoru Studijní cíl Tento blok je věnován základním metodám pro snižování barevného rozsahu pro rastrové obrázky. Postupně zde jsou vysvětleny důvody k použití těchto algoritmů
VíceNáhodné signály. Honza Černocký, ÚPGM
Náhodné signály Honza Černocký, ÚPGM Signály ve škole a v reálném světě Deterministické Rovnice Obrázek Algoritmus Kus kódu } Můžeme vypočítat Málo informace! Náhodné Nevíme přesně Pokaždé jiné Především
VíceRobustní odhady statistických parametrů
Robustní odhady statistických parametrů ěkdy pracují dobře, jinde ne. Typická data - pozorování BL Lac 100 mag 40 0 0.41 0.40 JD date 0.39 0.38 0.38223-1.586 0.017 0.40550-1.530 0.019 0.39453-1.610 0.024
VíceKompresní metody první generace
Kompresní metody první generace 998-20 Josef Pelikán CGG MFF UK Praha pepca@cgg.mff.cuni.cz http://cgg.mff.cuni.cz/~pepca/ Stillg 20 Josef Pelikán, http://cgg.mff.cuni.cz/~pepca / 32 Základní pojmy komprese
VícePřednáška 13 Redukce dimenzionality
Vytěžování Dat Přednáška 13 Redukce dimenzionality Miroslav Čepek Fakulta Elektrotechnická, ČVUT Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti ČVUT (FEL) Redukce dimenzionality 1 /
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceA/D převodníky - parametry
A/D převodníky - parametry lineární kvantování -(kritériem je jednoduchost kvantovacího obvodu), parametry ADC : statické odstup signálu od kvantizačního šumu SQNR, efektivní počet bitů n ef, dynamický
VíceAplikace obrazové fúze pro hledání vad
Marek Vajgl, Irina Perfilieva, Petr Hurtík, Petra Hoďáková Národní superpočítačové centrum IT4Innovations Divize Ostravské univerzity Ústav pro výzkum a aplikaci fuzzy modelování Ostrava, Česká republika
Více13 Barvy a úpravy rastrového
13 Barvy a úpravy rastrového Studijní cíl Tento blok je věnován základním metodám pro úpravu rastrového obrazu, jako je např. otočení, horizontální a vertikální překlopení. Dále budo vysvětleny různé metody
VíceNPGR032 CVIČENÍ III. Šum a jeho odstranění teorie&praxe. Adam Novozámský (novozamsky@utia.cas.cz)
NPGR032 CVIČENÍ III. Šum a jeho odstranění teorie&praxe Adam Novozámský (novozamsky@utia.cas.cz) TEORIE Šum a jeho odstranění ŠUM Co je to šum v obrázku a jak vzniká? Jaké známe typy šumu? ŠUM V obrázku
VíceBiofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno. prezentace je součástí projektu FRVŠ č.2487/2011
Využití v biomedicíně III Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 Zpracování přirozeného obrazu Za přirozený obraz považujeme snímek
VíceProjekt do předmětu ZPO
Projekt do předmětu ZPO Sledování ruky pomocí aktivních kontur 13. května 2014 Autoři: Pavlík Vít, xpavli62@stud.fit.vutbr.cz Žerdík Jan, xzerdi00@stud.fit.vutbr.cz Doležal Pavel, xdolez08@stud.fit.vutbr.cz
VíceObraz matematický objekt. Spojitý obraz f c : (Ω c R 2 ) R
Obraz matematický objekt Spojitý obraz f c : (Ω c R 2 ) R Obraz matematický objekt Spojitý obraz f c : (Ω c R 2 ) R Diskrétní obraz f d : (Ω {0... n 1 } {0... n 2 }) {0... f max } Obraz matematický objekt
VíceStřední hodnota a rozptyl náhodné. kvantilu. Ing. Michael Rost, Ph.D.
Střední hodnota a rozptyl náhodné veličiny, vybraná rozdělení diskrétních a spojitých náhodných veličin, pojem kvantilu Ing. Michael Rost, Ph.D. Príklad Předpokládejme že máme náhodnou veličinu X která
VíceSignál v čase a jeho spektrum
Signál v čase a jeho spektrum Signály v časovém průběhu (tak jak je vidíme na osciloskopu) můžeme dělit na periodické a neperiodické. V obou případech je lze popsat spektrálně určit jaké kmitočty v sobě
VíceVlastnosti a modelování aditivního
Vlastnosti a modelování aditivního bílého šumu s normálním rozdělením kacmarp@fel.cvut.cz verze: 0090913 1 Bílý šum s normálním rozdělením V této kapitole se budeme zabývat reálným gaussovským šumem n(t),
VíceModelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček. 8. přednáška 11MSP pondělí 20. dubna 2015
Modelování systémů a procesů (11MSP) Bohumil Kovář, Jan Přikryl, Miroslav Vlček Ústav aplikované matematiky ČVUT v Praze, Fakulta dopravní 8. přednáška 11MSP pondělí 20. dubna 2015 verze: 2015-04-14 12:31
VíceZpracování obrazu a fotonika 2006
Základy zpracování obrazu Zpracování obrazu a fotonika 2006 Reprezentace obrazu Barevný obrázek Na laně rozměry: 1329 x 2000 obrazových bodů 3 barevné RGB kanály 8 bitů na barevný kanál FUJI Superia 400
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceLaboratorní úloha č. 8: Elektroencefalogram
Laboratorní úloha č. 8: Elektroencefalogram Cíle úlohy: Rozložení elektrod při snímání EEG signálu Filtrace EEG v časové oblasti o Potlačení nf a vf rušení o Alfa aktivita o Artefakty Spektrální a korelační
VíceWaveletová transformace a její použití při zpracování signálů
Waveletová transformace a její použití při zpracování signálů BÍLOVSKÝ, Petr 1 1 Katedra elektrických měření, VŠB-TU Ostrava, 17. listopadu, Ostrava - Poruba, 708 33, petr.bilovsky@vsb.cz Abstrakt: Wavelet
VícePočítače a grafika. Ing. Radek Poliščuk, Ph.D. Přednáška č.7. z předmětu
Ústav automatizace a informatiky Fakulta strojního inženýrství Vysoké učení technické v Brně Přednáška č.7. z předmětu Počítače a grafika Ing. Radek Poliščuk, Ph.D. 1/14 Obsahy přednášek Přednáška 7 Zpracování
VíceADA Semestrální práce. Harmonické modelování signálů
České vysoké učení technické v Praze ADA Semestrální práce Harmonické modelování signálů Jiří Kořínek 31.12.2005 1. Zadání Proveďte rozklad signálu do harmonických komponent (řeč, hudba). Syntetizujte
VíceUNIVERZITA PARDUBICE. 4.4 Aproximace křivek a vyhlazování křivek
UNIVERZITA PARDUBICE Licenční Studium Archimedes Statistické zpracování dat a informatika 4.4 Aproximace křivek a vyhlazování křivek Mgr. Jana Kubátová Endokrinologický ústav V Praze, leden 2012 Obsah
VíceSíla a významnost asociace mezi proměnnými v systému
Síla a významnost asociace mezi proměnnými v systému Program 1. Entropie jako míra neuspořádanosti. 2. Entropie jako míra informace. 3. Entropie na rozkladu množiny elementárních jevů. 4. Vlastnosti entropie.
VíceÚvod do zpracování signálů
1 / 25 Úvod do zpracování signálů Karel Horák Rozvrh přednášky: 1. Spojitý a diskrétní signál. 2. Spektrum signálu. 3. Vzorkovací věta. 4. Konvoluce signálů. 5. Korelace signálů. 2 / 25 Úvod do zpracování
Více3 METODY PRO POTLAČENÍ ŠUMU U ŘE- ČOVÉHO SIGNÁLU
3 METODY PRO POTLAČENÍ ŠUMU U ŘE- ČOVÉHO SIGNÁLU V současné době se pro potlačení šumu u řečového signálu používá mnoho různých metod. Jedná se například o metody spektrálního odečítání, Wienerovy filtrace,
VíceROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky a mezioborových inženýrských studií ROZPOZNÁVÁNÍ AKUSTICKÉHO SIGNÁLU ŘEČI S PODPOROU VIZUÁLNÍ INFORMACE AUTOREFERÁT DISERTAČNÍ PRÁCE 2005 JOSEF CHALOUPKA
VíceAutomatická detekce anomálií při geofyzikálním průzkumu. Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011
Automatická detekce anomálií při geofyzikálním průzkumu Lenka Kosková Třísková NTI TUL Doktorandský seminář, 8. 6. 2011 Cíle doktorandské práce Seminář 10. 11. 2010 Najít, implementovat, ověřit a do praxe
VíceMATEMATICKÁ STATISTIKA - XP01MST
MATEMATICKÁ STATISTIKA - XP01MST 1. Úvod. Matematická statistika (statistics) se zabývá vyšetřováním zákonitostí, které v sobě obsahují prvek náhody. Zpracováním hodnot, které jsou výstupem sledovaného
VícePokročilé metody geostatistiky v R-projektu
ČVUT V PRAZE, Fakulta stavební, Geoinformatika Pokročilé metody geostatistiky v R-projektu Autoři: Vedoucí projektu: RNDr. Dr. Nosková Jana Studentská grantová soutěž ČVUT 2011 Praha, 2011 Geostatistika
VíceTeorie náhodných matic aneb tak trochu jiná statistika
Teorie náhodných matic aneb tak trochu jiná statistika B. Vlková 1, M.Berg 2, B. Martínek 3, O. Švec 4, M. Neumann 5 Gymnázium Uničov 1, Gymnázium Václava Hraběte Hořovice 2, Mendelovo gymnázium Opava
VíceSimulace zpracování optické obrazové informace v Matlabu. Petr Páta, Miloš Klíma, Jaromír Schindler
Simulace zpracování optické obrazové informace v Matlabu Petr Páta, Miloš Klíma, Jaromír Schindler Katedra radioelektroniky, K337, ČVUT FEL Praha, Technická, 166 7, Praha 6 E-mail: pata@fel.cvut.cz, klima@fel.cvut.cz,
VíceNeparametrické odhady hustoty pravděpodobnosti
Neparametrické odhady hustoty pravděpodobnosti Václav Hlaváč Elektrotechnická fakulta ČVUT Katedra kybernetiky Centrum strojového vnímání 121 35 Praha 2, Karlovo nám. 13 hlavac@fel.cvut.cz Statistické
VíceVícerozměrné statistické metody
Vícerozměrné statistické metody Vícerozměrné statistické rozdělení a testy, operace s vektory a maticemi Jiří Jarkovský, Simona Littnerová FSTA: Pokročilé statistické metody Vícerozměrné statistické rozdělení
VíceOdhady Parametrů Lineární Regrese
Odhady Parametrů Lineární Regrese Mgr. Rudolf B. Blažek, Ph.D. prof. RNDr. Roman Kotecký, DrSc. Katedra počítačových systémů Katedra teoretické informatiky Fakulta informačních technologií České vysoké
VíceKGG/STG Statistika pro geografy
KGG/STG Statistika pro geografy 4. Teoretická rozdělení Mgr. David Fiedor 9. března 2015 Osnova Úvod 1 Úvod 2 3 4 5 Vybraná rozdělení náhodných proměnných normální rozdělení normované normální rozdělení
VíceWAVELET TRANSFORMACE V POTLAČOVÁNÍ
WAVELET TRANSFORMACE V POTLAČOVÁNÍ RUŠIVÝCH SLOŽEK OBRAZŮ Andrea Gavlasová, Aleš Procházka Vysoká škola chemicko-technologická, Ústav počítačové a řídicí techniky Abstrakt Příspěvek je zaměřen na problematiku
VíceSIMULACE OBRAZOVÉHO KODÉRU NA BÁZI 3D KLT
SIMULACE OBRAZOVÉHO KODÉRU NA BÁZI 3D KLT Lukáš Fritsch ČVUT v Praze, Fakulta elektrotechnická, katedra radioelektroniky Abstrakt Obrazové kompresní algoritmy založené na Karhunen- Loeveho transformaci
VícePOUŽITÍ REAL TIME TOOLBOXU PRO REGULACI HLADIN V PROPOJENÝCH VÁLCOVÝCH ZÁSOBNÍCÍCH
POUŽITÍ REAL TIME TOOLBOXU PRO REGULACI HLADIN V PROPOJENÝCH VÁLCOVÝCH ZÁSOBNÍCÍCH P. Chalupa Univerzita Tomáše Bati ve Zlíně Fakulta technologická Ústav řízení procesů Abstrakt Příspěvek se zabývá problémem
VíceNávrh a vyhodnocení experimentu
Návrh a vyhodnocení experimentu Návrh a vyhodnocení experimentů v procesech vývoje a řízení kvality vozidel Ing. Bohumil Kovář, Ph.D. FD ČVUT Ústav aplikované matematiky kovar@utia.cas.cz Mladá Boleslav
VíceModelování a simulace Lukáš Otte
Modelování a simulace 2013 Lukáš Otte Význam, účel a výhody MaS Simulační modely jsou nezbytné pro: oblast vědy a výzkumu (základní i aplikovaný výzkum) analýzy složitých dyn. systémů a tech. procesů oblast
Více2 Zpracování naměřených dat. 2.1 Gaussův zákon chyb. 2.2 Náhodná veličina a její rozdělení
2 Zpracování naměřených dat Důležitou součástí každé experimentální práce je statistické zpracování naměřených dat. V této krátké kapitole se budeme věnovat určení intervalů spolehlivosti získaných výsledků
VíceChyby měření 210DPSM
Chyby měření 210DPSM Jan Zatloukal Stručný přehled Zdroje a druhy chyb Systematické chyby měření Náhodné chyby měření Spojité a diskrétní náhodné veličiny Normální rozdělení a jeho vlastnosti Odhad parametrů
VíceProfilování vzorků heroinu s využitím vícerozměrné statistické analýzy
Profilování vzorků heroinu s využitím vícerozměrné statistické analýzy Autor práce : RNDr. Ivo Beroun,CSc. Vedoucí práce: prof. RNDr. Milan Meloun, DrSc. PROFILOVÁNÍ Profilování = klasifikace a rozlišování
VícePRAVDĚPODOBNOST A STATISTIKA. Bayesovské odhady
PRAVDĚPODOBNOST A STATISTIKA Bayesovské odhady Bayesovské odhady - úvod Klasický bayesovský přístup: Klasický přístup je založen na opakování pokusech sledujeme rekvenci nastoupení zvolených jevů Bayesovský
VíceÚloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté
Úloha 1. Napište matici pro případ lineárního regresního spline vyjádřeného přes useknuté polynomy pro případ dvou uzlových bodů ξ 1 = 1 a ξ 2 = 4. Experimentální body jsou x = [0.2 0.4 0.6 1.5 2.0 3.0
VíceSTATISTICKÉ ODHADY PARAMETRŮ
STATISTICKÉ ODHADY PARAMETRŮ Jan Pech 21. září 2001 1 Motivace Obrazové snímače pracující ve vzdáleném infračerveném spektru jsou poměrně novou záležitostí. Ty nejkvalitnější snímače chlazené kapalným
VíceTECHNICKÁ UNIVERZITA V LIBERCI
TECHNICKÁ UNIVERZITA V LIBERCI Fakulta mechatroniky, informatiky a mezioborových studií Základní pojmy diagnostiky a statistických metod vyhodnocení Učební text Ivan Jaksch Liberec 2012 Materiál vznikl
VíceVysoká škola chemicko-technologická v Praze. Abstrakt. k rekonstrukci pozorovaných dat. Tento postup je aplikován na vybrané biomedicínské
ZPRACOVÁNÍ BIOMEDICÍNSKÝCH SIGNÁLŮ A OBRAZŮ POMOCÍ WAVELET TRANSFORMACE E. Hošt álková, A. Procházka Vysoká škola chemicko-technologická v Praze Ústav počítačové ařídicí techniky Abstrakt Wavelet (někdy
VíceZvýrazňování řeči pomocí vícekanálového zpracování
Zvýrazňování řeči pomocí vícekanálového zpracování Václav Bolom, Pavel Sovka Katedra teorie obvodů Fakulta elektrotechnická České vysoké učení technické v Praze Technická 2, 66 27 Praha 6 Abstrakt Problém
VíceROZ1 - Cv. 3 - Šum a jeho odstranění ÚTIA - ZOI
Šum Co je to šum v obrázku? Šum Co je to šum v obrázku? V obrázku je přidaná falešná informace nahodilého původu Jak vzniká v digitální fotografii? Šum Co je to šum v obrázku? V obrázku je přidaná falešná
Více=10 =80 - =
Protokol č. DĚDIČNOST KVALITATIVNÍCH VLASTNOSTÍ ) Jednorozměrné rozdělení fenotypové charakteristiky (hodnoty) populace ) Vícerozměrné rozdělení korelační a regresní počet pro dvě sledované vlastnosti
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
VíceVYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ
VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ Michal Kořenář 1 Abstrakt Rozvoj výpočetní techniky v poslední době umožnil také rozvoj výpočetních metod, které nejsou založeny na bázi
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Pravděpodobnost a učení Doc. RNDr. Iveta Mrázová,
VíceZpracování digitalizovaného obrazu (ZDO) - Segmentace
Zpracování digitalizovaného obrazu (ZDO) - Segmentace úvod, prahování Ing. Zdeněk Krňoul, Ph.D. Katedra Kybernetiky Fakulta aplikovaných věd Západočeská univerzita v Plzni Zpracování digitalizovaného obrazu
VíceZpracování náhodného vektoru. Ing. Michal Dorda, Ph.D.
Ing. Michal Dorda, Ph.D. 1 Př. 1: Cestující na vybraném spoji linky MHD byli dotazováni za účelem zjištění spokojenosti s kvalitou MHD. Legenda 1 Velmi spokojen Spokojen 3 Nespokojen 4 Velmi nespokojen
VíceHistogram a jeho zpracování
Histogram a jeho zpracování 3. přednáška předmětu Zpracování obrazů Martina Mudrová 24 Definice Co je to histogram? = vektor absolutních četností výskytu každé barvy v obrázku [H(1),H(2), H(c)] c m.n c
Více1. Přednáška: Obecné Inf. + Signály a jejich reprezentace
1. Přednáška: Obecné Inf. + Signály a jejich reprezentace 1 Obecné informace Změna rozvrhů Docházka na cvičení 2 Literatura a podklady Základní učební texty : Prchal J., Šimák B.: Digitální zpracování
VíceUŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU
UŽITÍ KOHERENČNÍ FUNKCE PRO DISTRIBUOVANOU ANALÝZU VÍCEKANÁLOVÝCH SIGNÁLŮ Robert Háva, Aleš Procházka Vysoká škola chemicko-technologická, Abstrakt Ústav počítačové a řídicí techniky Analýza vícekanálových
VíceHistogram a jeho zpracování
... 3.. 5.. 7.. 9 Histogram a jeho zpracování 3. přednáška předmětu Zpracování obrazů Martina Mudrová Definice Co je to histogram? = vektor absolutních četností výskytu každé barvy v obrázku [H(),H(),
VíceTestování hypotéz o parametrech regresního modelu
Testování hypotéz o parametrech regresního modelu Ekonometrie Jiří Neubauer Katedra kvantitativních metod FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra UO
VíceINVESTICE DO ROZVOJE VZDĚLÁVÁNÍ. Příklady použití tenkých vrstev Jaromír Křepelka
Příklady použití tenkých vrstev Jaromír Křepelka Příklad 01 Spočtěte odrazivost prostého rozhraní dvou izotropních homogenních materiálů s indexy lomu n 0 = 1 a n 1 = 1,52 v závislosti na úhlu dopadu pro
VíceOdečítání pozadí a sledování lidí z nehybné kamery. Ondřej Šerý
Odečítání pozadí a sledování lidí z nehybné kamery Ondřej Šerý Plán Motivace a popis úlohy Rozdělení úlohy na tři části Detekce pohybu Detekce objektů Sledování objektů Rozbor každé z částí a nástin několika
VícePROUDĚNÍ V KAVITĚ VYVOLANÉ SMYKOVÝM TOKEM PŘI VELKÝCH REYNOLDSOVÝCH ČÍSLECH Shear-driven cavity flow at high Reynolds numbers
Colloquium FLUID DYNAMICS 27 Institute of Thermomechanics AS CR, v. v. i., Prague, October 24-26, 27 p.1 PROUDĚNÍ V KAVITĚ VYVOLANÉ SMYKOVÝM TOKEM PŘI VELKÝCH REYNOLDSOVÝCH ČÍSLECH Shear-driven cavity
Víceveličin, deskriptivní statistika Ing. Michael Rost, Ph.D.
Vybraná rozdělení spojitých náhodných veličin, deskriptivní statistika Ing. Michael Rost, Ph.D. Třídění Základním zpracováním dat je jejich třídění. Jde o uspořádání získaných dat, kde volba třídícího
VíceZpracování obrazů. Honza Černocký, ÚPGM
Zpracování obrazů Honza Černocký, ÚPGM 1D signál 2 Obrázky 2D šedotónový obrázek (grayscale) Několikrát 2D barevné foto 3D lékařské zobrazování, vektorová grafika, point-clouds (hloubková mapa, Kinect)
VíceČíslicové zpracování signálů a Fourierova analýza.
Číslicové zpracování signálů a Fourierova analýza www.kme.zcu.cz/kmet/exm 1 Obsah prezentace 1. Úvod a motivace 2. Data v časové a frekvenční oblasti 3. Fourierova analýza teoreticky 4. Fourierova analýza
Více1 Jasové transformace
1 Jasové transformace 1.1 Teoretický rozbor 1.1.1 Princip jasové transformace Jasové transformace představují transformační funkce, které mění vždy určitou hodnotu vstupní jasové funkce na výstupní. Transformace
VíceJEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica
JEDNOVÝBĚROVÉ TESTY Komentované řešení pomocí programu Statistica Vstupní data Data umístěná v excelovském souboru překopírujeme do tabulky ve Statistice a pojmenujeme proměnné, viz prezentace k tématu
Více1 0 0 u 22 u 23 l 31. l u11
LU dekompozice Jedná se o rozklad matice A na dvě trojúhelníkové matice L a U, A=LU. Matice L je dolní trojúhelníková s jedničkami na diagonále a matice U je horní trojúhelníková. a a2 a3 a 2 a 22 a 23
Více